基于人工智能的移动互联网供应链协调方法

郑志娴，雷 庆

（1.福建船政交通职业学院，福建 福州 350007；2.华侨大学，福建 厦门 361021）

0 引言

随着移动互联网供应链管理及全局战略规划的不断深入发展，研究移动互联网供应链协调方法，在单一供应商和单一制造商的协同调度中具有重要意义［1-3］。当前研究中，文献［4］提出成本信息非对称下绿色供应链谎报决策与协调机制，引入成本共担契约对绿色供应链进行协调，在中断结束后分析制造商生产效率，在合适的契约参数设置下，实现供应链网络的完美协调，但该方法进行移动互联网供应链协调的动态性不好，成本降低程度有限。文献［5］提出考虑保鲜努力投入的生鲜产品双渠道供应链协调机制，设计成本共担-固定补偿的混合契约对供应链进行优化协调，通过收益最大化和供应商冲突调节，提高稳定性。但该方法在供应链协调调度基础模型参数配置能力不好，供应链成本不能显著降低。针对上述问题，为了进一步降低供应链系统成本，本文提出基于人工智能的移动互联网供应链协调方法。首先以最大时间偏差为目标函数，建立移动互联网供应链协调调度模型变量，然后创新地以最小化总拖期成本和最小化制造商冲突成本为目标进行重调度，建立二元决策变量模型，实现移动互联网供应链协调优化控制，最后进行实证分析，展示了本文方法在提高移动互联网供应链动态协调稳定性方面的优越性能。

1 研究对象和模型参数

1.1 指标参数构建和研究对象

为了实现基于人工智能的移动互联网供应链协调，以供应链的成本设置为二次型生产函数，利用资金的机会成本调度方法，通过物联网供应链补偿的方法，建立概率模型和种群采样模型，通过二级供应链和三级供应链的动态规划设计，在线性规划中结合人工智能算法，求得近似解与最优解，在采购、库存、生产、配送等领域中，实现应链成员企业间调度决策［6］，移动互联网供应链的协调总体结构模型如图1所示。

图1 移动互联网供应链的协调总体结构模型

根据图1所示的移动互联网供应链的协调模型的总体结构，基于供应链的影响因素，以供应商、制造商、分销商作为供应协调的影响二级因素，建立移动互联网供应链协调的动态机械模型，通过成本分析和局部修正重调度的方法，据生产过程中的实时状态改变调度模型［7］，构建移动互联网供应链协调的约束指标如图2所示。

图2 移动互联网供应链协调的约束指标

根据图2所示的移动互联网供应链协调的约束指标分布，建立在单一扰动因素工况环境下的供应链成本最小化分析模型，由此建立移动互联网供应链协调约束指标，通过构建互联网供应链协调的解释变量和控制变量分布模型［8］，如表1所示。

表1 互联网供应链协调的解释变量和控制变量

1.2 模型参数分析

根据表1互联网供应链协调的解释变量和控制变量分析，建立稳健性偏离成本分析数学规划模型，采用人工智能算法［9］，得到制造商和供应商在供应链中协调各供应支链的控制模型函数

其中，λ为供应商的某项任务在处理时被中断的代价因子，t为单位拖期成本，b20(t;λ)为制造商和供应商的收益分配比例，b21(t;λ)为单位生产准备时间成本，b22(t;λ)为执行初始调度方案时的完工时间。

供应链中断发生后二级供应链协调调度模型，供应商以最小化拖期成本为目标［10］，构建定量递归分析模型：a.在调度收益最大化的时候，计算初始调度方案的拖期时间，得到模型相似度变量为Zi(i=1,2,…,8)；b.分析制造商的生产准备成本，定义为W k i(i=1,2,…,6;k=1,2,…,6)，其中，i为执行初始调度方案时供应商工件的交货成本，k为最小化制造商冲突成本；c.在t季度内激励制造商配合执行重调度，得到移动互联网协调调度的促进性因子定义为X ij( )i=1,2,…,6;j=1,2,…,8，通过上述约束参量模型构建，构建稳健性偏离成本分析数学规划模型，采用人工智能算法，提取移动互联网供应链的生产与配送调度多参量特征［11］。

2 供应链协调模型优化

2.1 供应链协调的人工智能算法

随着供应链整体收益减少，通过冲突成本最小化的目标约束方法［12］，建立移动互联网供应链协调的统计分析模型，以最小化总拖期成本和最小化制造商冲突成本为目标，建立调度目标函数

其中，m和n分别为制造商和供应商的收益分配，ai为调度供应链整体收益适应值，b i为制造商因配合供应商调度获得的收益，C ij为供应链整体收益，X ij为协商供应链额外利益分配，基于TVPVAR-SVO模型构造，建立重调度模型与协商补偿模型，在供应商与制造商确定好补偿值Q i后，通过移动互联网的供应链智能协调处理［13］，引入自适应交叉算子P c，构建DCC-MVGARCH模型实现对协调过程的自适应邻域搜索，重新执行变异操作，得到协同调度优化模型为

其中，Qi为最优期望利润，Q th为供应链的利润阈值，E i为供应链各方的利益组成，E th为盈余，Q jk为生产者剩余，E jk为市场价格高于批发价格的动态约束参数，C jk为买方企业的利润，x jk为销售价格的决定机制，k为政企联合担保融资供应链中的振荡，M为模型关联系数，N j为最优生产投入量，通过构建供应链协调的人工智能动态调节模型，通过模型参数匹配，结合回归分析和统计检验，进行供应链协调动态控制［14］。

2.2 供应链协调调度

通过运输成本和最小化交货成本为动态规划目标参数，以最小化总拖期成本和最小化制造商冲突成本为目标进行重调度［15-19］，构建盈余关系描述如表2所示。

表2 供应链盈余贡献权重和风险级别

根据表1的解释变量和控制变量和表2的盈余关系进行动态参数配置，基于供应链完全协调方法，在DCC-MVGARCH模型中构建控制约束变量X k，得到供应链完全协调模型中的观测变量为：

3 实证分析

以中国A股制造业上市公司2015——2021年移动互联网供应链终端数据为测试数据，进行供应链协调的增益性调度和可靠性分析测试，供应链协调描述性统计分析结果如表3所示。

表3 描述性统计分析结果

根据表3的描述性统计参数设定，采用实证检验方法，供应链协调的统计特征分析，得到供应链协调的统计特征分析结果如表4所示。

表4 供应链协调的统计特征分析结果

根据表4供应链协调的统计特征分析结果，构建多元回归方程表达式为

其中，互联网供应链的资产收益率x1，制造商产品类型控制因子x2，公益因子x3，供应商风险规避因子x4，相关性检验因子统计分析结果为：x1=0.900；x2=0.161；x3=0.382；x4=0.894。

根据上述参数估计结果，得到移动互联网供应链协调控制的回归分析结果如图3所示。

图3 移动互联网供应链协调控制的拟线性回归分析

分析图3得知，采用本文模型实现移动互联网供应链协调控制，成本降低比例小于10%，最高达到35.43%，说明模型收敛性、衡量稳定性较好，显著度水平较高。测试模型稳定性，以贡献权重为指标，如图4所示。分析图4得知，本文方法进行移动互联网供应链协调控制的收敛性较好，移动互联网供应链协调的适应度水平较高，在求解供应链协调调度问题方面具备良好的寻优性能和稳定性。

图4 移动互联网供应链协调控制贡献权重分析

4 结语

本文提出基于人工智能的移动互联网供应链协调方法。以供应链的成本设置为二次型生产函数，利用资金的机会成本调度的方法，建立概率模型和种群采样模型，构建互联网供应链协调的解释变量和控制变量分布模型，采用人工智能算法，提取移动互联网供应链的生产与配送调度多参量特征，结合回归分析和统计检验，进行供应链协调动态控制。测试得出，本文方法进行移动互联网供应链协调的适应度水平较高，降低了供应链成本。